NVIDIA/physicsnemo

Open-source deep-learning framework for building, training, and fine-tuning deep learning models using state-of-the-art Physics-ML methods

解决的问题

PhysicsNeMo 是一个旨在加速科学与工程领域 AI 模型（AI4Science）开发的深度学习框架。它解决了将物理知识与数据相结合以创建复杂物理系统高保真、实时预测的挑战，缩短了计算流体力学 (CFD)、结构力学和电磁学等领域模拟开发所需的时间。

工作原理

该框架构建在 PyTorch 之上，提供了一套模块化的组件栈，用于构建、训练和部署物理信息机器学习模型。它包括：

  • Model Zoo：包含神经算子 (FNO, DeepONet)、图神经网络 (GNNs)、扩散模型和物理信息神经网络 (PINNs) 在内的优化架构集合。
  • Data Pipelines：专门针对网格和点云等科学数据结构进行调优的可扩展数据管道。
  • Distributed Computing：基于 torch.distributed 的子模块，用于将训练从单 GPU 扩展到多节点集群。
  • Symbolic PDE Utilities：通过 SymPy 定义方程并使用自动空间导数计算物理信息损失的工具。

适用对象

面向需要在 NVIDIA GPU 上以最佳性能训练大规模物理-ML 模型的 SciML 研究人员、气候科学家和工程领域专家。

亮点

  • 无缝 PyTorch 集成：作为 PyTorch 的补充工具运行，具有熟悉的 Python 接口。
  • GPU 优化：针对 NVIDIA GPU 进行了高度优化，以实现最大的训练速度和可扩展性。
  • 可扩展设计：支持 ONNX 以实现灵活部署，并提供用于定义自定义物理模型和约束的 API。
  • 特定领域软件包：包括用于 CFD 和天气/气候研究 (Earth-2 Studio) 的专业子模块。